DLO-JZ Optimisation de l'apprentissage - Jour 2¶
Optimisation systĂšme d'une boucle d'apprentissage Resnet-152.

Objet du notebook¶
Le but de ce notebook est d'optimiser un code d'apprentissage d'un modÚle Resnet-50 sur Imagenet pour Jean Zay en implémentant :
- TP 1 : l'optimisation du Dataloader
- TP 2 : la distribution (Data Parallelism)
Les cellules dans ce notebook ne sont pas prĂ©vues pour ĂȘtre modifiĂ©es, sauf rares exceptions indiquĂ©es dans les commentaires. Les TP se feront en modifiant les codes dlojz2_X.py.
Les directives de modification seront marquées par l'étiquette TODO dans le notebook suivant.
Les solutions sont présentes dans le répertoire solutions/.
Notebook rédigé par l'équipe assistance IA de l'IDRIS, janvier 2024
Environnement de calcul¶
Les fonctions python de gestion de queue SLURM développées par l'IDRIS et les fonctions dédiées à la formation DLO-JZ sont à importer.
Le module d'environnement pour les jobs et la taille des images sont fixés pour ce notebook.
TODO : choisir un pseudonyme (maximum 5 caractÚres) pour vous différencier dans la queue SLURM pendant la formation.
from idr_pytools import display_slurm_queue, gpu_jobs_submitter, search_log
from dlojz_tools import controle_technique, compare, GPU_underthehood, plot_accuracy, lrfind_plot, imagenet_starter, comm_profiler, turbo_profiler, BatchNorm_view
MODULE = 'pytorch-gpu/py3/2.3.0'
image_size = 224
account = 'for@a100'
name = 'pseudo' ## Pseudonyme Ă choisir
Création d'un répertoire checkpoints/ si cela n'a pas déjà été fait.
!mkdir -p checkpoints
Gestion de la queue SLURM¶
Pour afficher vos jobs dans la queue SLURM :
display_slurm_queue(name)
Done!
Remarque: cette fonction sera utilisĂ©e plusieurs fois dans ce notebook. Elle permet d'afficher la queue de maniĂšre dynamique, rafraichie toutes les 5 secondes. Elle ne s'arrĂȘte que lorsque la queue est vide. Si vous dĂ©sirez reprendre la main sur le notebook, il vous suffira d'arrĂȘter manuellement la cellule avec le bouton stop. Cela n'a bien sĂ»r aucun impact sur les jobs soumis.
Si vous voulez retirer TOUS vos jobs de la queue SLURM, décommenter et exécuter la cellule suivante :
#!scancel -u $USER
Si vous voulez retirer UN de vos jobs de la queue SLURM, décommenter, compléter et exécuter la cellule suivante :
#!scancel <jobid>
Différence entre deux scripts¶
Pour comparer son code avec les solutions mises à disposition, la fonction suivante permet d'afficher une page HTML contenant un différentiel de fichiers texte.
s1 = "./dlojz2_2.py"
s2 = "./solutions/dlojz2_2.py"
compare(s1, s2)
Voir le résultat du différentiel de fichiers sur la page suivante (attention au spoil !) :
Garage - Mise à niveau¶
On fixe la taille d'image pour ce TP.
image_size = 224
On fixe le batch size optimal d'aprÚs les expériences du Jour 1.
bs_optim = 512
TP2_1: Optimisation du DataLoader¶
Dans ce TP, on utilisera le script dlojz2_1.py dans lequel le profiler PyTorch n'est pas implémenté. Ce script est identique à la solution du TP2_1.
Dans un premier temps, on va désactiver toutes les optimisations du DataLoader (version sous-optimisée). Ensuite, nous pourrons observer l'impact de chacune des optimisations possibles en les réintégrant une par une.
Découverte de turbo_profiler¶
Pour ce TP, nous avons implémenté un profiler maison léger turbo_profiler basé sur l'outil Chronometer pour visualiser le temps passé sur CPU (DataLoader) et sur GPU (le reste de l'itération). Ce profiler est moins précis mais cela nous permettra de désactiver le profiler PyTorch pour ne pas dégrader les performances et éviter de devoir ouvrir l'outil graphique TensorBoard à chaque fois pour visualiser les informations qui nous intéressent.
Version sous-optimisée¶
TODO : lancer l'exécution sur 1 GPU et 50 itérations (--test-nsteps 50) sans profiling pour passer un contrÎle technique qui servira de référence. Cela va prendre quelques minutes (~5min), vous pouvez passer à la suite sans attendre la fin de l'exécution.
Soumission du job. Attention vous sollicitez les noeuds de calcul Ă ce moment-lĂ .
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
command = f'./dlojz2_1.py -b {bs_optim} --image-size {image_size} --test'
command += f' --num-workers 0 --no-persistent-workers --no-pin-memory --no-non-blocking'
n_gpu = 1
jobid = gpu_jobs_submitter(command, n_gpu, MODULE, name=name,
account=account, time_max='00:10:00')
print(f'jobid = {jobid}')
batch job 0: 1 GPUs distributed on 1 nodes with 1 tasks / 1 gpus per node and 8 cpus per task Submitted batch job 249821 jobid = ['249821']
Puis, rebasculer la cellule précédente en mode Raw NBConvert, afin d'eviter de relancer un job par erreur.
#jobid = ['90764']
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
249821 gpu_p5 pseudo cfor032 R 3:36 1 jean-zay-iam10
Done!
Quizz¶
L'éxécution étant assez longue, un quizz vous attend : Quizz TP2_1
controle_technique(jobid)
Train throughput: 154.46 images/second GPU throughput: 1152.99 images/second epoch time: 8296.69 seconds ----------- training step time average (fwd/bkwd on GPU): 0.444063 sec (5.8%/94.1%) +/- 0.007393 loading step time average (IO + CPU to GPU transfer): 2.870636 sec +/- 0.630715
TODO : visualiser la sortie de turbo_profiler
# call turbo_profiler
dataloader_trial = turbo_profiler(jobid,dataloader_info=True)
>>> Turbo Profiler >>> Training complete in 198.134031 s
Via le turbo profiler, on va également récupérer et stocker les performances obtenues dans une DataFrame dataloader_trials :
- initialisation de la DataFrame :
import pandas as pd
dataloader_trials = pd.DataFrame({"jobid":pd.Series([],dtype=str),
"num_workers":pd.Series([],dtype=int),
"pin_memory":pd.Series([],dtype=str),
"non_blocking":pd.Series([],dtype=str),
"prefetch_factor":pd.Series([],dtype=int),
"persistent_workers":pd.Series([],dtype=str),
"drop_last":pd.Series([],dtype=str),
"loading_time":pd.Series([],dtype=float),
"CPU_memory_usage(GB)":pd.Series([],dtype=float)})
- stockage du résultat précédent dans la DataFrame :
# store result in "dataloader_trials" DataFrame
dataloader_trials = pd.concat([dataloader_trials,dataloader_trial], ignore_index=True)
- visualisation du contenu de la DataFrame :
# afficher le tableau récapitulatif, trier par ordre croissant du LOADING_TIME
dataloader_trials.sort_values("loading_time")
| jobid | num_workers | pin_memory | non_blocking | prefetch_factor | persistent_workers | drop_last | loading_time | CPU_memory_usage(GB) | |
|---|---|---|---|---|---|---|---|---|---|
| 0 | 249821 | 0 | False | False | 2 | False | False | 2.870636 | 2.583473 |
Exploration des paramÚtres d'optimisation du DataLoader¶
L'objectif de ce TP est de réduire le temps passé sur CPU par le DataLoader.
Pour cette étude, on continue à lancer les exécutions sur 1 GPU et 16 itérations seulement (--test-nsteps 16) pour avancer plus rapidement.
Les différentes optimisations proposées par le DataLoader de PyTorch sont accessibles dans le script dlojz.py via les arguments :
--num-workers <num_workers>(dĂ©faut Ă8)--persistent-workers(dĂ©faut) ou--no-persistent-workers--pin-memory(dĂ©faut) ou--no-pin-memory--non-blocking(dĂ©faut) ou--no-non-blocking--prefetch-factor <prefetch_factor>(dĂ©faut Ă2)--drop-lastou--no-drop-last(dĂ©faut)
TODO : faire varier ces différents paramÚtres et observer leurs effets grùce au profiler turbo_profiler. Pour comparer les différents essais, ceux-ci seront stockés dans la DataFrame dataloader_trials initialisée plus tÎt.
- Modifier un ou plusieurs paramÚtres du DataLoader et lancer l'exécution :
Soumission du job. Attention vous sollicitez les noeuds de calcul Ă ce moment-lĂ .
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
command = f'./dlojz2_1.py -b {bs_optim} --image-size {image_size} --test --test-nsteps 16'
# paramÚtres d'entrée correspondant aux optimisations du DataLoader
command += ' --num-workers 8'
command += ' --pin-memory'
command += ' --no-non-blocking'
command += ' --prefetch-factor 2'
command += ' --persistent-workers'
command += ' --no-drop-last'
n_gpu = 1
jobid = gpu_jobs_submitter(command, n_gpu, MODULE, name=name,
account=account, time_max='00:10:00')
print(f'jobid = {jobid}')
batch job 0: 1 GPUs distributed on 1 nodes with 1 tasks / 1 gpus per node and 8 cpus per task Submitted batch job 250243 jobid = ['250243']
#jobid = ['2189183']
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
250243 gpu_p5 pseudo cfor032 R 0:34 1 jean-zay-iam19
Done!
- Visualiser le retour du turbo profiler :
# call turbo_profiler
dataloader_trial = turbo_profiler(jobid,dataloader_info=True)
>>> Turbo Profiler >>> Training complete in 20.139863 s
- Stocker le nouveau résultat dans la DataFrame
dataloader_trials:
# store result in "dataloader_trials" DataFrame
dataloader_trials = pd.concat([dataloader_trials,dataloader_trial], ignore_index=True)
- Visualiser et comparer l'ensemble des résultats :
# afficher le tableau récapitulatif, trier par ordre croissant du LOADING_TIME
dataloader_trials.sort_values("loading_time").drop_duplicates()
| jobid | num_workers | pin_memory | non_blocking | prefetch_factor | persistent_workers | drop_last | loading_time | CPU_memory_usage(GB) | |
|---|---|---|---|---|---|---|---|---|---|
| 9 | 250021 | 16 | True | True | 2 | True | False | 0.000379 | 23.722820 |
| 8 | 249997 | 12 | True | True | 2 | True | False | 0.000393 | 18.223640 |
| 7 | 249992 | 8 | True | True | 2 | True | True | 0.000403 | 12.973003 |
| 6 | 249989 | 8 | True | True | 2 | False | False | 0.000568 | 12.972843 |
| 11 | 250243 | 8 | True | False | 2 | True | False | 0.013582 | 13.221825 |
| 2 | 249955 | 4 | True | False | 2 | False | False | 0.017398 | 7.722858 |
| 4 | 249973 | 4 | True | True | 2 | False | False | 0.073391 | 8.222889 |
| 10 | 250200 | 8 | False | True | 2 | True | False | 0.113451 | 2.014580 |
| 1 | 249951 | 4 | False | False | 2 | False | False | 0.189259 | 2.006294 |
| 3 | 249956 | 4 | False | True | 2 | False | False | 0.199624 | 2.010006 |
| 5 | 249979 | 1 | True | True | 2 | False | False | 1.973134 | 4.222897 |
| 0 | 249821 | 0 | False | False | 2 | False | False | 2.870636 | 2.583473 |
- Répéter les étapes 1. à 4. jusqu'à avoir trouvé des paramÚtres d'optimisation satisfaisants.
ContrÎle technique (version optimisée)¶
TODO : relancer l'exécution sur 1 GPU et 100 itérations (--test-nsteps 100) sans profiling pour passer un nouveau contrÎle technique, à comparer avec celui de référence.
Soumission du job. Attention vous sollicitez les noeuds de calcul Ă ce moment-lĂ .
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
command = f'./dlojz2_1.py -b {bs_optim} --image-size {image_size} --test --test-nsteps 100'
command += ' --num-workers 16'
command += ' --pin-memory'
command += ' --non-blocking'
command += ' --prefetch-factor 2'
command += ' --persistent-workers'
command += ' --no-drop-last'
n_gpu = 1
jobid = gpu_jobs_submitter(command, n_gpu, MODULE, name=name,
account=account, time_max='00:10:00')
print(f'jobid = {jobid}')
batch job 0: 1 GPUs distributed on 1 nodes with 1 tasks / 1 gpus per node and 8 cpus per task Submitted batch job 250032 jobid = ['250032']
#jobid = ['2189222']
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
250032 gpu_p5 pseudo cfor032 CG 1:32 1 jean-zay-iam10
Done!
turbo_profiler(jobid)
>>> Turbo Profiler >>> Training complete in 69.433859 s
controle_technique(jobid)
Train throughput: 1151.19 images/second GPU throughput: 1152.33 images/second epoch time: 1113.22 seconds ----------- training step time average (fwd/bkwd on GPU): 0.444318 sec (6.4%/95.3%) +/- 0.034265 loading step time average (IO + CPU to GPU transfer): 0.000438 sec +/- 0.000167
OPTIONNEL : Visualisation des traces profiler avec TensorBoard (version sous optimisée)¶
TODO : relancer le job en réactivant le profiler PyTorch dans le script dlojz2_1.py (revoir le TP1_4) afin de visualiser les traces sous TensorBoard, et les comparer avec la version optimisée étudiée dans le TP1_4.
Soumission du job. Attention vous sollicitez les noeuds de calcul Ă ce moment-lĂ .
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
command = f'./dlojz2_1.py -b {bs_optim} --image-size {image_size} --test --test-nsteps 8'
command += f' --num-workers 0 --no-persistent-workers --no-pin-memory --no-non-blocking'
n_gpu = 1
jobid = gpu_jobs_submitter(command, n_gpu, MODULE, name=name,
account=account, time_max='00:10:00')
print(f'jobid = {jobid}')
batch job 0: 1 GPUs distributed on 1 nodes with 1 tasks / 1 gpus per node and 8 cpus per task Submitted batch job 250044 jobid = ['250044']
Puis, rebasculer la cellule précédente en mode Raw NBConvert, afin d'éviter de relancer un job par erreur.
#jobid = ['1732254']
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
250044 gpu_p5 pseudo cfor032 CG 1:15 1 jean-zay-iam10
Done!
TODO : vérifier qu'une trace a bien été générée dans le répertoire profiler/<name>_<jobid>_bs512_is224/ sous la forme d'un fichier .json:
!tree profiler/
profiler/
âââ pseudo_250044_bs512_is224
âââ jean-zay-iam10_3802511.1729188592301545018.pt.trace.json
1 directory, 1 file
TODO : visualiser cette trace grĂące Ă l'application TensorBoard.
IMPORTANT : une fois le TP terminé, penser à quitter l'instance JupyterHub pour libérer le GPU ( > Hub Control Panel > Cancel ).

Garage - Mise à niveau¶
image_size = 224
bs_optim = 512
TP2_2 : Distribution - Parallélisme de données¶
Voir la documentation de l'IDRIS.
TODO : dans le script dlojz2_2.py :
Importer les librairies liées à la distribution et au Data Parallelism.
Configurer et initialiser l'environnement parallĂšle.
Associer le bon GPU alloué au process actif.
Basculer le modÚle en mode DistributedDataParallelism pour qu'il soit dupliqué sur les différents GPU.
Définir les samplers distribués
train_sampleretval_sampleret les utiliser danstrain_loaderetval_loaderrespectivement. Attention, le shuffling devra ĂȘtre dĂ©lĂ©guĂ© aux samplers.Au tout dĂ©but de la boucle d'apprentissage, indiquer au sampler l'epoch en cours afin d'obtenir un shuffling diffĂ©rent Ă chaque epoch.
Soumission du job. Attention vous sollicitez les noeuds de calcul Ă ce moment-lĂ .
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
command = f'./dlojz2_2.py -b {bs_optim} --image-size {image_size} --test --chkpt'
n_gpu = 4
jobid = gpu_jobs_submitter(command, n_gpu, MODULE, name=name,
account=account, time_max='00:10:00')
print(f'jobid = {jobid}')
batch job 0: 4 GPUs distributed on 1 nodes with 4 tasks / 4 gpus per node and 8 cpus per task Submitted batch job 250065 jobid = ['250065']
Copier-coller la sortie jobid = ['xxxxx'] dans la cellule suivante.
Puis, rebasculer la cellule précédente en mode Raw NBConvert, afin d'eviter de relancer un job par erreur.
#jobid = ['2189271']
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
250065 gpu_p5 pseudo cfor032 R 1:22 1 jean-zay-iam19
Done!
Quizz¶
L'éxécution étant assez longue, un quizz vous attend : Quizz TP2_2
controle_technique(jobid)
Train throughput: 4469.60 images/second GPU throughput: 4473.26 images/second epoch time: 286.84 seconds ----------- training step time average (fwd/bkwd on GPU): 0.457831 sec (8.8%/92.6%) +/- 0.030157 loading step time average (IO + CPU to GPU transfer): 0.000375 sec +/- 0.000086
Communications¶
Découverte de comm_profiler¶
Pour ce TP, nous avons implémenté un profiler maison léger comm_profiler basé sur les traces de DEBUG de NCCL pour visualiser la quantité et le type de communications collectives échangées pendant une boucle d'apprentissage distribuée sur plusieurs GPU.
à noter : dans le script python dlojz2_2.py les variables de trace de DEBUG NCCL sont configurées comme suit :
if __name__ == '__main__':
os.environ["NCCL_DEBUG"] = "INFO"
os.environ["NCCL_DEBUG_SUBSYS"] = "INIT,COLL"
# display info
...
comm_profiler(jobid, n_display=65)
Each DDP process creates a local Reducer, which will take care of the gradients synchronization during the backward pass. To improve communication efficiency, the Reducer organizes parameter gradients into buckets, and reduces one bucket at a time. Bucket size can be configured by setting the bucket_cap_mb argument in DDP constructor. The mapping from parameter gradients to buckets is determined at the construction time, based on the bucket size limit and parameter sizes.

DDP inter-noeud¶
Nous avons utilisĂ© prĂ©cĂ©demment 4 GPU sur le mĂȘme nĆud de calcul. Les bus de communication intra-nĆud NVLink sont trĂšs rapide. Le scaling est quasi parfait.
Si nous utilisons 32 GPU en DDP avec 4 nĆuds de calcul et donc des communications sur le rĂ©seau d'interconnexion des nĆuds nous obtenons le rĂ©sultat suivant.

Ce test n'est pas faisable pendant le TP par chacun d'entre vous, pour des raisons évidentes d'accÚs aux ressources. Veuillez vous reporter au résultat fourni ici.

BatchNorm Layer & SyncBatchNorm Layer¶
Rappel :
Pendant l'apprentissage, la couche normalise ses sorties en utilisant la moyenne et l'écart type du batch d'entrée.
Plus exactement, la couche retourne (batch - mean(batch)) / (var(batch) + epsilon) * weight + bias , avec :
epsilon, une petite constante pour éviter la division par 0,weight, un facteur appris (entraßné) avec un calcul de gradient lors de la backpropagation et qui est initialisé à 1,bias, un facteur appris (entraßné) avec un calcul de gradient lors de la backpropagation et qui est initialisé à 0.
Pendant l'inférence ou la validation, la couche normalise ses sorties en utilisant en plus des weight et bias entraßnés, les facteurs running_mean et running_var : (batch - running_mean) / (running_var + epsilon) * weight + bias.
running_mean et running_var sont des facteurs non entraßnés, mais qui sont mis à jour à chaque itération de batch lors de l'apprentissage, selon la méthode suivante :
running_mean = running_mean * momentum + mean(batch) * (1 - momentum)running_var = running_var * momentum + var(batch) * (1 - momentum)
import torchvision.models as models
model = models.resnet152()
BatchNorm_view(jobid, model)
SyncBatchNorm layer¶
Voir la documentation PyTorch.
TODO : dans le script dlojz2_2.py :
- Juste avant la bascule du modĂšle en mode DistributedDataParallelism, transformer les couches BatchNorm du modĂšle en couches SyncBatchNorm.
Soumission du job. Attention vous sollicitez les noeuds de calcul Ă ce moment-lĂ .
Pour soumettre le job, veuillez basculer la cellule suivante du mode Raw NBConvert au mode Code.
command = f'./dlojz2_2.py -b {bs_optim} --image-size {image_size} --test --chkpt'
n_gpu = 4
jobid_sync = gpu_jobs_submitter(command, n_gpu, MODULE, name=name,
account=account, time_max='00:10:00')
print(f'jobid_sync = {jobid_sync}')
batch job 0: 4 GPUs distributed on 1 nodes with 4 tasks / 4 gpus per node and 8 cpus per task Submitted batch job 250096 jobid_sync = ['250096']
Copier-coller la sortie jobid = ['xxxxx'] dans la cellule suivante.
Puis, rebasculer la cellule précédente en mode Raw NBConvert, afin d'eviter de relancer un job par erreur.
#jobid_sync = ['2189317']
display_slurm_queue(name)
JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON)
250096 gpu_p5 pseudo cfor032 R 1:19 1 jean-zay-iam19
Done!
controle_technique(jobid_sync)
Train throughput: 3465.92 images/second GPU throughput: 3468.12 images/second epoch time: 369.90 seconds ----------- training step time average (fwd/bkwd on GPU): 0.590521 sec (50.4%/49.7%) +/- 0.004875 loading step time average (IO + CPU to GPU transfer): 0.000375 sec +/- 0.000148
BatchNorm_view(jobid + jobid_sync, model, labels=['BN Layer', 'SyncBN Layers'])
Communications¶
comm_profiler(jobid_sync, n_display=100)
